CN108254324B - 一种蟹肉新鲜度快速检测方法及装置 - Google Patents

一种蟹肉新鲜度快速检测方法及装置 Download PDF

Info

Publication number
CN108254324B
CN108254324B CN201711363374.XA CN201711363374A CN108254324B CN 108254324 B CN108254324 B CN 108254324B CN 201711363374 A CN201711363374 A CN 201711363374A CN 108254324 B CN108254324 B CN 108254324B
Authority
CN
China
Prior art keywords
crab meat
detected
sample
characteristic
crab
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201711363374.XA
Other languages
English (en)
Other versions
CN108254324A (zh
Inventor
李鑫星
姚久彬
周婧
张小栓
孙龙清
曹霞敏
杨菡
冀际安
刘恒一
肖颖欣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Agricultural University
Original Assignee
China Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Agricultural University filed Critical China Agricultural University
Priority to CN201711363374.XA priority Critical patent/CN108254324B/zh
Publication of CN108254324A publication Critical patent/CN108254324A/zh
Application granted granted Critical
Publication of CN108254324B publication Critical patent/CN108254324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明提供一种蟹肉新鲜度快速检测方法及装置，所述方法包括：首先根据获取的待检测蟹肉的光谱信息，对光谱数据进行预处理；然后利用反向偏最小二乘法获取待检测蟹肉的特征光谱区间，根据待检测蟹肉的特征光谱区间，利用遗传算法获取待检测蟹肉的特征波长，并根据待检测蟹肉的特征波长获取待检测蟹肉的吸光度特征因子矩阵；最后将待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出待检测蟹肉的浓度特征因子矩阵，并根据待检测蟹肉的浓度特征因子矩阵确定待检测蟹肉的新鲜度。本发明提供一种蟹肉新鲜度快速检测方法及装置，通过最优波段的选择，更加准确的构建出新鲜度检测模型，提高了检测效率和检测结果的准确性。

Description

一种蟹肉新鲜度快速检测方法及装置
技术领域
本发明涉及食品检测技术领域，尤其涉及一种蟹肉新鲜度快速检测方法及装置。
背景技术
食品安全关乎每个人的身体健康，当今社会食品安全问题不断出现，人们越来越重视食品安全，食品检测是确保食品安全的一种重要手段，发挥着越来越重要的作用。
现有技术中，对各种水产品新鲜度的检测通常采用以下两种方法：一、采用化学实验法，首先将待检测水产品制作成样品溶液，然后通过硼酸、氢氧化钠溶液和盐酸标准溶液等化学试剂与样品溶液反应，来计算待检测水产品样品溶液中的挥发性盐基氮的含量，根据挥发性盐基氮的含量确定待检测水产品的新鲜度。二、近红外光谱分析法，该方法将化学实验法和光谱分析技术结合，建立检测模型，然后利用建立的检测模型对待检测水产品的新鲜度进行检测。
上述两种方法分别存在如下不足：其中，方法一中的各种步骤都需要人工进行化学实验，样品前处理复杂、检测工序繁琐、耗费时间长；方案二在建立检测模型和检测过程中，对光谱信息的处理和分析不够精细，导致根据建立的检测模型得出的检测结果不准确。
发明内容
(一)要解决的技术问题
本发明的目的是提供一种蟹肉新鲜度快速检测方法及装置，解决了现有技术中的检测方法检测效率低，以及检测结果不准确的技术问题。
(二)技术方案
为了解决上述技术问题，一方面，本发明提供一种蟹肉新鲜度快速检测方法，包括：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
进一步地，所述根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间，包括：
对获取的待检测蟹肉的光谱信息进行一阶导数处理，获得所述待检测蟹肉的一阶微分光谱信息；
对所述待检测蟹肉的一阶微分光谱信息进行卷积平滑处理；
对经过卷积平滑处理后的所述待检测蟹肉的一阶微分光谱信息进行校正；
根据校正后的所述待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间。
进一步地，所述预设的新鲜度检测模型通过以下步骤获取：
获取挥发性盐基氮含量不同的样本蟹肉，并获取每一样本蟹肉的光谱信息；
根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间；
根据每一样本蟹肉的特征光谱区间，利用遗传算法获取每一样本蟹肉的特征波长，并根据每一样本蟹肉的特征波长获取每一样本蟹肉的吸光度特征因子矩阵；
根据每一样本蟹肉的吸光度特征因子矩阵以及每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型。
进一步地，所述根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间，包括：
对每一样本蟹肉的光谱信息进行一阶导数处理，获得每一样本蟹肉的一阶微分光谱信息；
对每一样本蟹肉的一阶微分光谱信息进行卷积平滑处理，并对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正；
根据校正后的每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间。
进一步地，所述对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正具体为：
Ai(MSC)＝(Ai-bi)/mi
其中，Ai(MSC)为校正后的第i个样本蟹肉的光谱信息，Ai为第i个样本蟹肉的一阶微分光谱信息，n为样品数量，mi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的偏移系数，bi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的平移量。
进一步地，所述根据每一样本蟹肉的吸光度特征因子矩阵，和每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型具体为：
根据每一样本蟹肉的挥发性盐基氮含量，获取挥发性盐基氮含量的浓度矩阵Y；其中，Y＝UQ+F，U为浓度特征因子矩阵，Q为浓度载荷矩阵，F为浓度残差矩阵；
根据每一样本蟹肉的特征波长获取所有样本蟹肉的光谱参数矩阵X，X＝TP+E，其中，T为吸光度特征因子矩阵，P为吸光度载荷矩阵，E为吸光度残差矩阵；
根据特征向量的相关性分解X和Y，利用偏最小二乘法构建预设的新鲜度检测模型；其中，所述预设的新鲜度检测模型具体为U＝Ed+TB，U为浓度特征因子矩阵，Ed为随机误差矩阵，T为吸光度特征因子矩阵，B为d维对角回归系数矩阵，d为偏最小二乘法算法中的抽象组分数。
另一方面，本发明提供一种蟹肉新鲜度快速检测装置，包括：
特征光谱区间筛选模块，用于根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
特征波长选择模块，用于根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
新鲜度检测模块，用于将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
再一方面，本发明提供一种用于检测蟹肉新鲜度的电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述的方法。
又一方面，本发明提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述的方法。
又一方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法。
(三)有益效果
本发明提供一种蟹肉新鲜度快速检测方法及装置，通过反向偏最小二乘法获取特征光谱区间，并利用遗传算法获取特征波长，更加准确的构建出新鲜度检测模型，提高了检测效率和检测结果的准确性。
附图说明
图1为依照本发明实施例的蟹肉新鲜度快速检测方法示意图；
图2为依照本发明实施例的蟹肉新鲜度快速检测装置示意图；
图3为本发明实施例提供的用于检测蟹肉新鲜度的电子设备的结构示意图。
具体实施方式
为了使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
图1为依照本发明实施例的蟹肉新鲜度快速检测方法示意图，如图1所示，本发明实施例提供一种蟹肉新鲜度快速检测方法，包括：
步骤S10、根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
步骤S20、根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
步骤S30、将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
进一步地，所述根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间，包括：
对获取的待检测蟹肉的光谱信息进行一阶导数处理，获得所述待检测蟹肉的一阶微分光谱信息；
对所述待检测蟹肉的一阶微分光谱信息进行卷积平滑处理；
对经过卷积平滑处理后的所述待检测蟹肉的一阶微分光谱信息进行校正；
根据校正后的所述待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间。
进一步地，所述预设的新鲜度检测模型通过以下步骤获取：
获取挥发性盐基氮含量不同的样本蟹肉，并获取每一样本蟹肉的光谱信息；
根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间；
根据每一样本蟹肉的特征光谱区间，利用遗传算法获取每一样本蟹肉的特征波长，并根据每一样本蟹肉的特征波长获取每一样本蟹肉的吸光度特征因子矩阵；
根据每一样本蟹肉的吸光度特征因子矩阵以及每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型。
进一步地，所述根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间，包括：
对每一样本蟹肉的光谱信息进行一阶导数处理，获得每一样本蟹肉的一阶微分光谱信息；
对每一样本蟹肉的一阶微分光谱信息进行卷积平滑处理，并对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正；
根据校正后的每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间。
进一步地，所述对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正具体为：
Ai(MSC)＝(Ai-bi)/mi
其中，Ai(MSC)为校正后的第i个样本蟹肉的光谱信息，Ai为第i个样本蟹肉的一阶微分光谱信息，n为样品数量，mi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的偏移系数，bi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的平移量。
进一步地，所述根据每一样本蟹肉的吸光度特征因子矩阵，和每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型具体为：
根据每一样本蟹肉的挥发性盐基氮含量，获取挥发性盐基氮含量的浓度矩阵Y；其中，Y＝UQ+F，U为浓度特征因子矩阵，Q为浓度载荷矩阵，F为浓度残差矩阵；
根据每一样本蟹肉的特征波长获取所有样本蟹肉的光谱参数矩阵X，X＝TP+E，其中，T为吸光度特征因子矩阵，P为吸光度载荷矩阵，E为吸光度残差矩阵；
根据特征向量的相关性分解X和Y，利用偏最小二乘法构建预设的新鲜度检测模型；其中，所述预设的新鲜度检测模型具体为U＝Ed+TB，U为浓度特征因子矩阵，Ed为随机误差矩阵，T为吸光度特征因子矩阵，B为d维对角回归系数矩阵，d为偏最小二乘法算法中的抽象组分数。
具体的，本发明实施例提供的蟹肉新鲜度快速检测方法包括两大部分，一、新鲜度检测模型的建立；二、待检测蟹肉新鲜度的检测。
首先，在对待检测蟹肉新鲜度进行检测之前需要建立新鲜度检测模型，新鲜度检测模型的建立过程具体如下：
获取挥发性盐基氮含量不同的样本蟹肉，并采集每一样本蟹肉的光谱信息。不同样本蟹肉的挥发性盐基氮含量按照水产品中挥发性盐基氮的测定国家标准(SC/T 3032-2007)中规定的方法进行测定。
市场选购84只优质鲜活蟹，活蟹捕捞出水后立即用麻绳扎紧，迅速带回实验室。利用自来水将鲜活蟹洗净，然后对蟹进行称重，将大闸蟹按总的重量均分为21份，共获得21份实验样本，每份中4只鲜活蟹；21份实验样品均分放在低温(4℃)、保鲜温度(15℃)、常温(25℃)三个温度下，每个温度下7份实验样本，各温度下的样本分别记为A、B、C、D、E、F、G七组，则三个温度下应分别标记为A1、B1、C1、D1、E1、F1、G1；A2、B2、C2、D2、E2、F2、G2；A3、B3、C3、D3、E3、F3、G3。将所得的A、B、C、D、E、F、G七组实验样本，放入干净的恒温箱中，每天从三个温度下各取一组活蟹宰杀，得到三个样本蟹肉，取蟹肉，进行光谱信息采集，将近红外光谱仪预热1个小时，参数设置为装样三次，扫描三次。取约50g蟹肉装入75mm样品杯中，厚度不小于0.5cm，测量蟹肉温度后抚平表面，放入样品槽上采集各温度下三个样本蟹肉的光谱信息，同步对蟹肉进行挥发性盐基氮含量的测定，分别得到三个样本蟹肉的挥发性盐基氮含量，测定方法按照水产品中挥发性盐基氮的测定国家标准(SC/T 3032-2007)中规定的方法进行。按照上述方法连续进行7天共得到21个样本，每一样本中都包含样本蟹肉的光谱信息和对应的挥发性盐基氮含量。
对每一样本蟹肉的光谱信息进行一阶导数处理，获得每一样本蟹肉的一阶微分光谱信息。
一阶导数处理可有效地消除基线和其它背景的干扰，分辨重叠峰，提高灵敏度和分辨率。依据已知反射率计算一阶微分光谱，具体公式如下：
f′(xi)＝1/6h*(-11xi+18xi-1-9xi-2+2xi-3)
其中，xi表示波长i处的原始光谱反射率；f′(xi)表示波长i处的微分光谱反射率；h为差分时的步长。
然后，对每一样本蟹肉的一阶微分光谱信息进行卷积平滑处理。
近红外光谱仪采集到的光谱信号不仅包含有用信息，同时也含有噪声信号。平滑处理能够消除噪声，从而降低噪声提高信噪比，常用方法包括Savitzky-Golay卷积平滑和移动平均平滑法。Savitzky-Golay卷积平滑法是通过多项式来对移动窗口内的数据进行多项式最小二乘拟合,其实质是一种加权平均法,强调中心点的中心作用；移动平均平滑法运用的比较少，是因为平滑窗口宽度不好控制，它是此平滑方法中的一个重要参数，若窗口宽度太大，会平滑掉一些有用信息，造成光谱信号失真，窗口宽度太小，平滑去噪效果则不好。因此本实施例采用Savitzky-Golay卷积平滑算法。
Savitzky-Golay卷积平滑算法是移动平滑算法的改进，移动平滑算法的公式如下：
Figure BDA0001512329270000081
Savitzky-Golay平滑的公式如下：
Figure BDA0001512329270000082
每一测量值以平滑系数hi的目的是尽可能减少平滑对有用信息的影响，改善平滑去噪算法的劣势，hi/H可基于最小二乘原理，用多项式拟合求得。
Savitzky-Golay卷积平滑关键在于矩阵算子的求解。
设滤波窗口的宽度为n＝2m+1，各测量点为x＝(-m,-m+2,...0,1,...m-1,m)采用k-1次多项式对窗口内的数据点进行拟合。
y＝a0+a1x+a2x2+...+ak-1xk-1
于是就有了n个这样的方程，构成k元线性方程组。要使方程组有解则n应大于等于k，一般选择n>k，通过最小二乘法拟合确定拟合参数A。由此就有
Figure BDA0001512329270000091
用矩阵表示为：
Y(2m+1)×1＝X(2m+1)×k·Ak×1+E(2m+1)×1
A的最小二乘解
Figure BDA0001512329270000092
为：
Figure BDA0001512329270000093
Y的模型预测值或滤波值
Figure BDA0001512329270000094
为：
Figure BDA0001512329270000095
B＝X·(XT·X)-1·XT
然后，对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正。
本发明实施例中采用多元散射校正的方法对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正。
多元散射校正主要是消除颗粒大小及颗粒分布不均产生的散射影响，增强成分含量与光谱吸收信息的相关性，是基于一个蟹肉样品的光谱进行运算的。
首先计算所有蟹肉样品近红外光谱的平均光谱，然后将平均光谱作为标准光谱，每个样品的近红外光谱与标准光谱进行一元线性回归运算，求得各光谱相对于标准光谱的线性平移量(回归常数)和倾斜偏移量(回归系数)，在每个样品原始光谱中减去线性平移量同时除以回归系数修正光谱的基线相对倾斜，这样每个光谱的基线平移和偏移都在标准光谱的参考下予以修正，而和样品成分含量所对应的光谱吸收信息在数据处理的全过程中没有任何影响，所以提高了光谱的信噪比。以下为具体的算法过程：
(1)计算平均光谱的公式如下：
Figure BDA0001512329270000101
(2)一元线性回归的公式如下：
Figure BDA0001512329270000102
(3)多元散射校正的公式如下：
Figure BDA0001512329270000103
以上公式中A表示n×p维定标光谱数据矩阵，n为定标样品数，p为光谱采集所用的波长点数，
Figure BDA0001512329270000104
表示所有样品的原始近红外光谱在各个波长点处求平均值所得到的平均光谱矢量，Ai是n×p维矩阵，表示第i个样本蟹肉的一阶微分光谱信息，mi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的偏移系数，bi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的平移量。
然后，根据校正后的每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间。
本发明实施例采用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间。
利用间隔偏最小二乘法将每一样本蟹肉的特征光谱分割成k个等宽子区间，然后在每个子区间进行偏最小二乘回归,采用留一交互验证法计算各个子区间的交互验证均方根误差(RMSECV)，当RMSECV值最小时，对应的因子数为子区间最佳因子数，根据最佳因子数在各子区间建立局部最优偏最小二乘法模型。
在间隔偏最小二乘法的基础上利用反向偏最小二乘法，依次减少信息量最差或共线性变量最多的i个子区间，即去除RMSECV值最大的区间，在剩余的k-i个区间上建立最优偏最小二乘法模型，并给出相应的RMSECV值，当RMSECV最小时所对应的多个区间即为所优化的组合区间。
根据每一样本蟹肉的特征光谱区间，利用遗传算法获取每一样本蟹肉的特征波长，并根据每一样本蟹肉的特征波长获取每一样本蟹肉的吸光度特征因子矩阵。
由反向偏最小二乘法剔除了信息量较差的子区间，对近红外光谱信息区间进行初步定位，运用遗传算法(GA)从中选择波长，依次选取GA运算结果中入选频率较高者，对于入选相邻波长作进一步筛选，将被GA选中频率最高者作为入选的最优波长。
遗传算法的步骤如下所示：
(1)编码：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。
(2)初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体，N个个体构成了—个群体。GA以这N个串结构数据作为初始点开始迭代。
(3)适应性值评估检测：适应性函数表明个体或解的优劣性。对于不同的问题，适应性函数的定义方式也不同。
(4)选择：选择的目的是为了从当前群体个选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。
(5)交叉：交叉操作是遗传算法中最主要的遗传操作。通过交叉操作可以得到新一代个体，新个体组合了其父辈个体的特性。交叉体现了信息交换的思想。
(6)变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.0001-0.01之间。变异为新个体的产中提供了机会。
然后，根据每一样本蟹肉的吸光度特征因子矩阵，和每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型。
本发明实施例采用偏最小二乘法构建预设的新鲜度检测模型，偏最小二乘法是一种非线性迭代方法，对于非线性体系和质量参数之间相互干扰的数据回归效果优于MLR方法，偏最小二乘法既适用于全部光谱数据(数据向量多)分析又适用于部分光谱数据(数据向量少)分析，并且把数据分解和回归融合在一起，得到的特征向量直接与被测成分或性质相关。具体计算方法如下：
设Y＝C(n×1)为n个蟹肉样品中挥发性盐基氮含量构成的浓度矩阵，X＝A(n×m)为n个样品在m个波长下的光谱参数矩阵，将矩阵分解成特征向量形式如下：
Y＝UQ+F
X＝TP+E
其中U和T分别为n行d列(d为抽象组分数)的浓度特征因子矩阵和吸光度特征因子矩阵，Q为d×m阶浓度载荷矩阵，P为d×p阶吸光度载荷矩阵，F和E分别为n×m、n×p阶浓度残差矩阵和吸光度残差矩阵。
然后根据特征向量的相关性分解Y和X，利用偏最小二乘法建立回归模型：
U＝Ed+TB
其中Ed为随机误差矩阵，B为d维对角回归系数矩阵。
在偏最小二乘法算法中抽象组分数d的确定一般采取交叉证实法。
通过以上步骤预设的新鲜度检测模型建立完成。
然后，利用预设的新鲜度检测模型对待检测蟹肉新鲜度进行检测，具体步骤如下：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取待检测蟹肉的特征光谱区间。该步骤中，获取待检测蟹肉的特征光谱区间的方法与上述建立新鲜度检测模型过程中获取每一样本蟹肉的特征光谱区间的方法相同，此处不再赘述。
然后，根据待检测蟹肉的特征光谱区间，利用遗传算法获取待检测蟹肉的特征波长，并根据待检测蟹肉的特征波长获取待检测蟹肉的吸光度特征因子矩阵。该步骤中，获取待检测蟹肉的特征波长的方法，以及获取待检测蟹肉的吸光度特征因子矩阵的方法，与上述建立新鲜度检测模型过程中获取每一样本蟹肉的特征波长的方法，以及获取每一样本蟹肉的吸光度特征因子矩阵的方法相同，此处不再赘述。
然后，将待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出待检测蟹肉的浓度特征因子矩阵，并根据待检测蟹肉的浓度特征因子矩阵确定待检测蟹肉中的挥发性盐基氮含量，再根据待检测蟹肉中的挥发性盐基氮含量确定待检测蟹肉的新鲜度。
进一步地，所述根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间具体为：
对获取的待检测蟹肉的光谱信息进行一阶导数处理，获得待检测蟹肉的一阶微分光谱信息，该步骤中，对获取的待检测蟹肉的光谱信息进行一阶导数处理的方法与上述建立新鲜度检测模型过程中对每一样本蟹肉的光谱信息进行一阶导数处理的方法相同，此处不再赘述；
对待检测蟹肉的一阶微分光谱信息进行卷积平滑处理，该步骤中，对待检测蟹肉的一阶微分光谱信息进行卷积平滑处理方法与上述建立新鲜度检测模型过程中对每一样本蟹肉的一阶微分光谱信息进行卷积平滑处理方法相同，此处不再赘述；
对经过卷积平滑处理后的所述待检测蟹肉的一阶微分光谱信息进行校正，该步骤中，对经过卷积平滑处理后的待检测蟹肉的一阶微分光谱信息进行校正的方法与上述建立新鲜度检测模型过程中对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正的方法相同，此处不再赘述；
根据校正后的所述待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间。
本发明提供一种蟹肉新鲜度快速检测方法，通过反向偏最小二乘法获取特征光谱区间，并利用遗传算法获取特征波长，更加准确的构建出新鲜度检测模型，提高了检测效率和检测结果的准确性。
实施例2：
图2为依照本发明实施例的蟹肉新鲜度快速检测装置示意图，如图2所示，本发明实施例提供一种蟹肉新鲜度快速检测装置，用于完成上述实施例中的方法，具体包括特征光谱区间筛选模块10、特征波长选择模块20和新鲜度检测模块30，其中，特征光谱区间筛选模块10用于根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
特征波长选择模块20用于根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
新鲜度检测模块30用于将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
本发明提供一种蟹肉新鲜度快速检测装置，通过反向偏最小二乘法获取特征光谱区间，并利用遗传算法获取特征波长，更加准确的构建出新鲜度检测模型，提高了检测效率和检测结果的准确性。
实施例3：
图3为本发明实施例提供的用于检测蟹肉新鲜度的电子设备的结构示意图，如图3所示，所述设备包括：处理器801、存储器802和总线803；
其中，处理器801和存储器802通过所述总线803完成相互间的通信；
处理器801用于调用存储器802中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
实施例4：
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
实施例5：
本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置及设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种蟹肉新鲜度快速检测方法，其特征在于，包括：
根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
2.根据权利要求1所述的方法，其特征在于，所述根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间，包括：
对获取的待检测蟹肉的光谱信息进行一阶导数处理，获得所述待检测蟹肉的一阶微分光谱信息；
对所述待检测蟹肉的一阶微分光谱信息进行卷积平滑处理；
对经过卷积平滑处理后的所述待检测蟹肉的一阶微分光谱信息进行校正；
根据校正后的所述待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间。
3.根据权利要求1所述的方法，其特征在于，所述预设的新鲜度检测模型通过以下步骤获取：
获取挥发性盐基氮含量不同的样本蟹肉，并获取每一样本蟹肉的光谱信息；
根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间；
根据每一样本蟹肉的特征光谱区间，利用遗传算法获取每一样本蟹肉的特征波长，并根据每一样本蟹肉的特征波长获取每一样本蟹肉的吸光度特征因子矩阵；
根据每一样本蟹肉的吸光度特征因子矩阵以及每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型。
4.根据权利要求3所述的方法，其特征在于，所述根据每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间，包括：
对每一样本蟹肉的光谱信息进行一阶导数处理，获得每一样本蟹肉的一阶微分光谱信息；
对每一样本蟹肉的一阶微分光谱信息进行卷积平滑处理，并对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正；
根据校正后的每一样本蟹肉的光谱信息，利用反向偏最小二乘法获取每一样本蟹肉的特征光谱区间。
5.根据权利要求4所述的方法，其特征在于，所述对经过卷积平滑处理后的每一样本蟹肉的一阶微分光谱信息进行校正具体为：
Ai(MSC)＝(Ai-bi)/mi
其中，Ai(MSC)为校正后的第i个样本蟹肉的光谱信息，Ai为第i个样本蟹肉的一阶微分光谱信息，mi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的偏移系数，bi为第i个样本蟹肉的一阶微分光谱信息经过一元线性回归后得到的平移量。
6.根据权利要求5所述的方法，其特征在于，所述根据每一样本蟹肉的吸光度特征因子矩阵，和每一样本蟹肉的挥发性盐基氮含量，利用偏最小二乘法构建预设的新鲜度检测模型具体为：
根据每一样本蟹肉的挥发性盐基氮含量，获取挥发性盐基氮含量的浓度矩阵Y；其中，Y＝UQ+F，U为浓度特征因子矩阵，Q为浓度载荷矩阵，F为浓度残差矩阵；
根据每一样本蟹肉的特征波长获取所有样本蟹肉的光谱参数矩阵X，X＝TP+E，其中，T为吸光度特征因子矩阵，P为吸光度载荷矩阵，E为吸光度残差矩阵；
根据特征向量的相关性分解X和Y，利用偏最小二乘法构建预设的新鲜度检测模型；其中，所述预设的新鲜度检测模型具体为U＝Ed+TB，U为浓度特征因子矩阵，Ed为随机误差矩阵，T为吸光度特征因子矩阵，B为d维对角回归系数矩阵，d为偏最小二乘法算法中的抽象组分数。
7.一种蟹肉新鲜度快速检测装置，其特征在于，包括：
特征光谱区间筛选模块，用于根据获取的待检测蟹肉的光谱信息，利用反向偏最小二乘法获取所述待检测蟹肉的特征光谱区间；
特征波长选择模块，用于根据所述待检测蟹肉的特征光谱区间，利用遗传算法获取所述待检测蟹肉的特征波长，并根据所述待检测蟹肉的特征波长获取所述待检测蟹肉的吸光度特征因子矩阵；
新鲜度检测模块，用于将所述待检测蟹肉的吸光度特征因子矩阵输入至预设的新鲜度检测模型，输出所述待检测蟹肉的浓度特征因子矩阵，并根据所述待检测蟹肉的浓度特征因子矩阵确定所述待检测蟹肉的新鲜度。
8.一种用于检测蟹肉新鲜度的电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一所述的方法。
CN201711363374.XA 2017-12-18 2017-12-18 一种蟹肉新鲜度快速检测方法及装置 Active CN108254324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711363374.XA CN108254324B (zh) 2017-12-18 2017-12-18 一种蟹肉新鲜度快速检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711363374.XA CN108254324B (zh) 2017-12-18 2017-12-18 一种蟹肉新鲜度快速检测方法及装置

Publications (2)

Publication Number Publication Date
CN108254324A CN108254324A (zh) 2018-07-06
CN108254324B true CN108254324B (zh) 2020-09-22

Family

ID=62723480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711363374.XA Active CN108254324B (zh) 2017-12-18 2017-12-18 一种蟹肉新鲜度快速检测方法及装置

Country Status (1)

Country Link
CN (1) CN108254324B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109856060A (zh) * 2019-03-15 2019-06-07 首都师范大学 配制酒中合成色素浓度的检测方法及系统
CN110210680A (zh) * 2019-06-11 2019-09-06 北京农业信息技术研究中心 一种基于温度变化的鱼体新鲜度检测方法和装置
CN110274888B (zh) * 2019-06-28 2021-10-08 江苏大学 基于智能手机的中华绒螯蟹内部食用品质无损检测方法
CN111398191B (zh) * 2020-03-26 2021-09-07 浙江大学 一种水稻叶片逆境生理指标检测方法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003121351A (ja) * 2001-10-09 2003-04-23 National Agricultural Research Organization 食肉の鮮度判定方法
JP5164267B2 (ja) * 2008-11-11 2013-03-21 島根県 蟹の品質判別方法
CN103163084B (zh) * 2013-03-14 2015-02-04 广西工学院 一种检测虾类产品新鲜度的表征方法
TWI749437B (zh) * 2013-03-21 2021-12-11 美商唯亞威方案公司 用於識別一海產樣本之方法及裝置與用於判定一海產樣本之鮮度之方法
CN103439285B (zh) * 2013-08-19 2016-04-13 华南理工大学 一种基于高光谱成像的鱼片新鲜度检测方法
CN105426588B (zh) * 2015-11-05 2018-12-14 广东药学院 一种红外光谱建模工具包及其开发方法和应用

Also Published As

Publication number Publication date
CN108254324A (zh) 2018-07-06

Similar Documents

Publication Publication Date Title
CN108254324B (zh) 一种蟹肉新鲜度快速检测方法及装置
Wang et al. Technology using near infrared spectroscopic and multivariate analysis to determine the soluble solids content of citrus fruit
CN105928901B (zh) 一种定性定量相结合的近红外定量模型构建方法
CN108663339B (zh) 基于光谱和图像信息融合的霉变玉米在线检测方法
Xu et al. Rapid prediction and visualization of moisture content in single cucumber (Cucumis sativus L.) seed using hyperspectral imaging technology
Leardi et al. Sequential application of backward interval partial least squares and genetic algorithms for the selection of relevant spectral regions
Bernardo et al. Bayesian factor regression models in the “large p, small n” paradigm
CN108956604B (zh) 一种基于高光谱图像技术识别中华绒螯蟹品质的方法
Yao et al. Nondestructive detection for egg freshness grade based on hyperspectral imaging technology
Hu et al. Prediction of mechanical properties of blueberry using hyperspectral interactance imaging
CN110907393B (zh) 植物盐碱胁迫程度检测方法及装置
Chen et al. Nondestructive measurement of total volatile basic nitrogen (TVB-N) content in salted pork in jelly using a hyperspectral imaging technique combined with efficient hypercube processing algorithms
CN106596416A (zh) 一种基于高光谱成像技术的冷鲜肉品质无损检测方法
Liao et al. On-line prediction of pH values in fresh pork using visible/near-infrared spectroscopy with wavelet de-noising and variable selection methods
CN102305772A (zh) 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法
CN112669915B (zh) 一种基于神经网络与近红外光谱的梨无损检测方法
Wang et al. Rapid detection of protein content in rice based on Raman and near-infrared spectroscopy fusion strategy combined with characteristic wavelength selection
CN111044483A (zh) 一种基于近红外光谱的奶油中色素测定方法、系统和介质
WO2022001829A1 (zh) 一种改进团队进步算法的近红外光谱波长筛选方法
CN110398473A (zh) 一种农产品产地检测方法及系统
CN113607656A (zh) 一种基于高光谱成像的叶片叶绿素含量监测方法与系统
CN117726052B (zh) 基于分形维数的产量预测方法、装置、设备及介质
Sheng et al. Data fusion strategy for rapid prediction of moisture content during drying of black tea based on micro-NIR spectroscopy and machine vision
Liu et al. Detection of Apple Taste Information Using Model Based on Hyperspectral Imaging and Electronic Tongue Data.
Zhu et al. A UV–Vis spectroscopic detection method for cobalt ions in zinc sulfate solution based on discrete wavelet transform and extreme gradient boosting

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant